CN113701736A - 一种基于六轴传感器的轧辊转速智能识别方法 - Google Patents

Abstract

本发明公开了一种基于六轴传感器的轧辊转速智能识别方法，包括：按照第一预设统计周期提取Z轴陀螺仪数据和Y轴加速度数据识别轧辊是否处于转圈状态，并针对处于转圈状态的轧辊，结合当前统计周期内的Z轴陀螺仪数据计算当前统计周期对应的初始转速和初始圈数；若计算得到的初始转速大于预设转速阈值，根据第二预设统计周期采用Y轴加速度数据重新计算实际转速和实际圈数，否则，将计算得到的初始转速和初始圈数作为当前统计周期内的实际转速和实际圈数。本发明能够精确监测旋转轧辊的实时转速，准确统计从轧辊转过的总圈数，作为判定轧辊磨损程度的重要条件。

Description

一种基于六轴传感器的轧辊转速智能识别方法

技术领域

本发明涉及轧辊转速监测技术领域，具体而言涉及一种基于六轴传感器的轧辊转速智能识别方法。

背景技术

轧辊的性能和质量一般取决于其化学成分和制造方式并可由其组织、物理和力学性能以及存在于轧辊内部的残余应力类型来评估。轧辊在轧机中的使用效果不但取决于轧辊材质及其冶金质量，还和使用条件、轧辊设计、操作维护有关。选用轧辊时，对轧辊的有些性能要求往往是彼此对立的，轧辊购置费和维护费用又很昂贵。因此，部分厂家会选择租用轧辊的方式，按照轧辊使用量折算成的轧辊磨损程度来支付租金，减少轧辊购入成本。不管是轧辊的日常维护需求，还是租赁方计算租金时对轧辊使用量的统计需求，都需要对轧辊的转速和累计圈数进行精确计算。

目前，通常会在轧辊上安装一个三轴陀螺仪来直接统计轧辊的转速，再根据转速计算累计圈数。但是但陀螺仪量程最大为2000dps，即最大可测转速为333r/min，一方面量程有限，另一方面，这一测量方式对高速转动的轧辊的采集精度较低，且轧辊转速越高，精度越低；对三轴陀螺仪自身的性能要求也越高。因此，现在亟需一种新的测量方式来对轧辊的转速进行高精度的监控测量。

发明内容

本发明针对现有技术中的不足，提供一种基于六轴传感器的轧辊转速智能识别方法，能够精确监测旋转轧辊的实时转速，准确统计从轧辊转过的总圈数，作为判定轧辊磨损程度的重要条件。

为实现上述目的，本发明采用以下技术方案：

一种基于六轴传感器的轧辊转速智能识别方法，所述智能识别方法包括以下步骤：

S1，将带有三轴加速度计和三轴陀螺仪的轧辊标签安装在相应的轧辊端面上，其中，三轴加速度计和三轴陀螺仪的Z轴平行于轧辊的轴心线，X轴和Y轴分别垂直于轧辊端面的四平分线；

S2，按照预设采样频率分别采集三轴加速度计和三轴陀螺仪的测量数据；

S3，按照第一预设统计周期提取Z轴陀螺仪数据和Y轴加速度数据识别轧辊是否处于转圈状态，并针对处于转圈状态的轧辊，结合当前统计周期内的Z轴陀螺仪数据计算当前统计周期对应的初始转速和初始圈数；

S4，判断计算得到的初始转速是否大于预设转速阈值，如果大于，根据第二预设统计周期采用Y轴加速度数据重新计算实际转速和实际圈数，否则，将步骤S3中计算得到的初始转速和初始圈数作为当前统计周期内的实际转速和实际圈数；转入步骤S3，持续计算轧辊在每个统计周期的实际转速和实际圈数，直至轧辊解除转圈状态；第二预设统计周期为第一预设统计周期的整数倍。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S3中，当Z轴陀螺仪测量得到的轧辊的角速度维持方向不变且恒大于预设角速度阈值时，将该轧辊定义成转圈状态。

进一步地，所述预设角速度阈值为40dps。

进一步地，步骤S2中，配置相应的传感器以200Hz采样频率同时采集三轴加速度计和三轴陀螺仪的测量数据，将采集结果写入传感器自带的FIFO存储器中。

进一步地，所述第一预设统计周期为1s。

进一步地，所述第二预设统计周期为2s。

进一步地，步骤S3中，对提取Z轴陀螺仪数据和Y轴加速度数据采用一阶低通滤波以滤除周期性噪声干扰：

Y(n)＝αX(n)+(1-α)Y(n-1)

式中，α为滤波系数；X(n)为本次采样值；Y(n-1)为上次滤波输出值；Y(n)为本次滤波输出值。

进一步地，步骤S4中，根据第二预设统计周期采用Y轴加速度数据重新计算实际转速和实际圈数的过程包括以下步骤：

将提取的Y轴加速度数据加入到数据缓冲区；

根据第二预设统计周期对数据缓冲区中的当前统计周期的加速度数据进行滑动平均滤波处理，生成相应的加速度数据曲线；

采用二次差分方式计算得到加速度数据曲线对应的所有波峰点和波谷点，并标记所有波峰点和波谷点的位置；

根据公式acc_y＝Acc_S×cosθ+G×sinα计算得到Y轴加速度的最大值与最小值之间的差值，根据差值过滤掉伪波峰点和伪波谷点；

统计第一个波谷至最后一个波谷之间的总点数N，算出相邻波谷之间的平均点数n，根据下述公式计算得到当前统计周期内轧辊转动的圈数num：

num＝N/n；

根据下述公式计算当前统计周期轧辊的平均转速gyro：

gyro＝num*360/2。

进一步地，所述识别方法还包括：

定期使轧辊从静止状态开始转动并逐渐增大转速，同时采用陀螺仪和加速度计两种方式来统计转速和圈数，得到两组转速和圈数的统计数据；根据两组统计数据绘制对应的统计曲线：根据陀螺仪数据计算得到的转速统计曲线A1、圈数统计曲线A2；根据加速度计数据计算得到的转速统计曲线B1和圈数统计曲线B2；

将转速统计曲线A1和转速统计曲线B1进行对比，获取两根统计曲线重合部分对应的转速范围x；将圈数统计曲线A2和圈数统计曲线B2进行对比，获取两根统计曲线重合部分对应的转速范围y；

判断转速范围x和转速范围y是否存在重合区域，如果存在，将该重复区域作为预选转速阈值的选择区域；否则，根据实际需求选择转速范围x或转速范围y作为预选转速阈值的选择区域。

本发明的有益效果是：

本发明能够精确监测旋转轧辊的实时转速，准确统计从轧辊转过的总圈数，作为判定轧辊磨损程度的重要条件。

附图说明

图1是本发明实施例的基于六轴传感器的轧辊转速智能识别方法流程图。

图2是本发明实施例的轧辊标签的安装位置示意图。

图3是本发明实施例的Y轴加速度变化趋势示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

图1是本发明实施例的基于六轴传感器的轧辊转速智能识别方法流程图。该智能识别方法包括以下步骤：

S1，将带有三轴加速度计和三轴陀螺仪的轧辊标签安装在相应的轧辊端面上，其中，三轴加速度计和三轴陀螺仪的Z轴平行于轧辊的轴心线，X轴和Y轴分别垂直于轧辊端面的四平分线。图2是本发明实施例的轧辊标签的安装位置示意图。当存在多个轧辊时，每个轧辊对应一个轧辊标签，分别计数。

S2，按照预设采样频率分别采集三轴加速度计和三轴陀螺仪的测量数据。例如，配置传感器以200Hz采样频率采集陀螺仪数据和加速度计数据，并写入传感器自有的大小为2K byte的FIFO中。

S3，按照第一预设统计周期提取Z轴陀螺仪数据和Y轴加速度数据识别轧辊是否处于转圈状态，并针对处于转圈状态的轧辊，结合当前统计周期内的Z轴陀螺仪数据计算当前统计周期对应的初始转速和初始圈数。

为了减少运算量，通常轧辊转数统计周期大于数据采样周期，例如，可以以1s为周期从FIFO中读取三轴陀螺仪数据和三轴加速度数据。读取数据后可以对数据进行滤波，具体的，对提取Z轴陀螺仪数据和Y轴加速度数据采用一阶低通滤波以滤除周期性噪声干扰：

Y(n)＝αX(n)+(1-α)Y(n-1)

式中，α为滤波系数；X(n)为本次采样值；Y(n-1)为上次滤波输出值；Y(n)为本次滤波输出值。

再通过Z轴陀螺仪数据识别轧辊是否处于转圈状态，这是因为Z轴陀螺仪数据可以直接反映轧辊转速和对应的转动圈数，尤其针对低速转动的轧辊。本实施例设定，当Z轴陀螺仪测量得到的轧辊的角速度维持方向不变且恒大于预设角速度阈值(如40dps)时，将该轧辊定义成转圈状态。

S4，判断计算得到的初始转速是否大于预设转速阈值，如果大于，根据第二预设统计周期采用Y轴加速度数据重新计算实际转速和实际圈数，否则，将步骤S3中计算得到的初始转速和初始圈数作为当前统计周期内的实际转速和实际圈数；转入步骤S3，持续计算轧辊在每个统计周期的实际转速和实际圈数，直至轧辊解除转圈状态；第二预设统计周期为第一预设统计周期的整数倍。

如果轧辊的转速在陀螺仪的精确测量量程范围内时，可以直接选用陀螺仪的数据进行转速和圈数计算。反之，如果轧辊的转速超出陀螺仪的精确测量量程范围，甚至超出了陀螺仪的设定量程，则采用Y轴加速度数据来重新统计实际转速和实际转动圈数。

如图2所示，当轧辊转动时，六轴传感器所收到的合成加速度指向圆心(匀速转动)，大小等于X轴、Y轴加速度计数据的合成。设六轴传感器在转动过程收到的加速度为Acc_S，则Y轴加速度acc_y＝Acc_S×cosθ，当θ值固定时，Y轴加速度为恒定值(匀转速，无重力时)；当重力加速度存在时，acc_y＝Acc_S×cosθ+G×sinα，α值随轧辊转动变化；则在轧辊转动时，Y轴加速度变化趋势呈正弦变化，变化趋势如图3所示，一个周期即代表轧辊转过一圈，通过统计加速度计采集的数据，计算出包含的周期数即可算出轧辊在当前时间段内转过的圈数，并计算出转速。设第二预设统计周期为2s，则每2s周期通过采集到的加速度数据计算一次转速，统计两秒内转过的圈数，并累计总圈数。

根据加速度计算转速和圈数的精度随轧辊转动速度增大而增大。这是因为，转速越低，单位时间内采集的加速度数据呈现的周期数越少，在极低转速时通过加速度计数据计算的圈数反而误差大。故可采用加速度计与陀螺仪结合使用测轧辊转速，低转速时直接通过陀螺仪输出转速并计算圈数，高转速通过加速度数据计算圈数并计算转速。预设转速阈值属于一个动态值，与轧辊参数、陀螺仪参数和轧辊的工作特性相关。在实际应用中，会间隔一个维护周期来调整预设转速阈值，调整过程如下：使轧辊从静止状态开始转动并逐渐增大转速，同时采用陀螺仪和加速度计两种方式来统计转速和圈数，得到两组转速和圈数的统计数据；根据两组统计数据绘制对应的统计曲线(A1，A2)和(B1和B2)。对比两组统计曲线(一共有4根曲线，对比时根据曲线类别分别对比，即转速曲线A1和转速曲线B1对比，圈数曲线A2和圈数曲线B2对比)。理论上，根据加速度计计算得到的统计曲线(B1和B2)在前期的精度的可信度低于根据陀螺仪计算得到的统计曲线(A1，A2)，且两者存在较大的差值，随着轧辊转速逐渐增大，两组统计曲线之间的差值越来越小，两组统计曲线逐渐重合。经测试，该重合部分可以延续较长的一段。随着转速更加增大，统计曲线(A1，A2)和统计曲线(B1和B2)之间的差值越来越大，尤其是当转速超出陀螺仪的量程范围时，统计曲线(A1，A2)的数值不再变动。由此可见，我们要选择的就是近似重合的那段曲线对应的转速。由于涉及到转换，通常转速统计曲线和圈数统计曲线对应的重合部分的转速范围并不完全一致，此时可以选择两个转速范围的重合部分作为预设转速阈值的选择范围；也可以根据实际需求选择重合度更高的一个转速范围，例如，对于日常维护来说，更在意的是转速的精度，则可以选择转速曲线重合高的转速范围，对于轧辊租赁来说，更在意的是圈数的统计精度，则可以选择圈数曲线重合高的转速范围。

根据加速度计算转速和圈数的过程具体如下：

S41，将提取的Y轴加速度数据加入到数据缓冲区。

S42，根据第二预设统计周期对数据缓冲区中的当前统计周期的加速度数据进行滑动平均滤波处理，生成相应的加速度数据曲线。

S43，采用二次差分方式计算得到加速度数据曲线对应的所有波峰点和波谷点，并标记所有波峰点和波谷点的位置。

S44，根据公式acc_y＝Acc_S×cosθ+G×sinα计算得到Y轴加速度的最大值与最小值之间的差值，根据差值过滤掉伪波峰点和伪波谷点。

S45，统计第一个波谷至最后一个波谷之间的总点数N，算出相邻波谷之间的平均点数n，根据下述公式计算得到当前统计周期内轧辊转动的圈数num：

num＝N/n。

S46，根据下述公式计算当前统计周期轧辊的平均转速gyro：

gyro＝num*360/2。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种基于六轴传感器的轧辊转速智能识别方法，其特征在于，所述智能识别方法包括以下步骤：

S1，将带有三轴加速度计和三轴陀螺仪的轧辊标签安装在相应的轧辊端面上，其中，三轴加速度计和三轴陀螺仪的Z轴平行于轧辊的轴心线，X轴和Y轴分别垂直于轧辊端面的四平分线；

S2，按照预设采样频率分别采集三轴加速度计和三轴陀螺仪的测量数据；

S3，按照第一预设统计周期提取Z轴陀螺仪数据和Y轴加速度数据识别轧辊是否处于转圈状态，并针对处于转圈状态的轧辊，结合当前统计周期内的Z轴陀螺仪数据计算当前统计周期对应的初始转速和初始圈数；

S4，判断计算得到的初始转速是否大于预设转速阈值，如果大于，根据第二预设统计周期采用Y轴加速度数据重新计算实际转速和实际圈数，否则，将步骤S3中计算得到的初始转速和初始圈数作为当前统计周期内的实际转速和实际圈数；转入步骤S3，持续计算轧辊在每个统计周期的实际转速和实际圈数，直至轧辊解除转圈状态；第二预设统计周期为第一预设统计周期的整数倍。

2.根据权利要求1所述的基于六轴传感器的轧辊转速智能识别方法，其特征在于，步骤S3中，当Z轴陀螺仪测量得到的轧辊的角速度维持方向不变且恒大于预设角速度阈值时，将该轧辊定义成转圈状态。

3.据权利要求1所述的基于六轴传感器的轧辊转速智能识别方法，其特征在于，所述预设角速度阈值为40dps。

4.根据权利要求1所述的基于六轴传感器的轧辊转速智能识别方法，其特征在于，步骤S2中，配置相应的传感器以200Hz采样频率同时采集三轴加速度计和三轴陀螺仪的测量数据，将采集结果写入传感器自带的FIFO存储器中。

5.根据权利要求1所述的基于六轴传感器的轧辊转速智能识别方法，其特征在于，所述第一预设统计周期为1s。

6.根据权利要求1所述的基于六轴传感器的轧辊转速智能识别方法，其特征在于，所述第二预设统计周期为2s。

7.根据权利要求1所述的基于六轴传感器的轧辊转速智能识别方法，其特征在于，步骤S3中，对提取Z轴陀螺仪数据和Y轴加速度数据采用一阶低通滤波以滤除周期性噪声干扰：

Y(n)＝αX(n)+(1-α)Y(n-1)

式中，α为滤波系数；X(n)为本次采样值；Y(n-1)为上次滤波输出值；Y(n)为本次滤波输出值。

8.根据权利要求1所述的基于六轴传感器的轧辊转速智能识别方法，其特征在于，步骤S4中，根据第二预设统计周期采用Y轴加速度数据重新计算实际转速和实际圈数的过程包括以下步骤：

将提取的Y轴加速度数据加入到数据缓冲区；

根据第二预设统计周期对数据缓冲区中的当前统计周期的加速度数据进行滑动平均滤波处理，生成相应的加速度数据曲线；

采用二次差分方式计算得到加速度数据曲线对应的所有波峰点和波谷点，并标记所有波峰点和波谷点的位置；

根据公式acc_y＝Acc_S×cosθ+G×sinα计算得到Y轴加速度的最大值与最小值之间的差值，根据差值过滤掉伪波峰点和伪波谷点；

统计第一个波谷至最后一个波谷之间的总点数N，算出相邻波谷之间的平均点数n，根据下述公式计算得到当前统计周期内轧辊转动的圈数num：

num＝N/n；

根据下述公式计算当前统计周期轧辊的平均转速gyro：

gyro＝num*360/2。

9.根据权利要求1所述的基于六轴传感器的轧辊转速智能识别方法，其特征在于，所述识别方法还包括：

定期使轧辊从静止状态开始转动并逐渐增大转速，同时采用陀螺仪和加速度计两种方式来统计转速和圈数，得到两组转速和圈数的统计数据；根据两组统计数据绘制对应的统计曲线：根据陀螺仪数据计算得到的转速统计曲线A1、圈数统计曲线A2；根据加速度计数据计算得到的转速统计曲线B1和圈数统计曲线B2；

将转速统计曲线A1和转速统计曲线B1进行对比，获取两根统计曲线重合部分对应的转速范围x；将圈数统计曲线A2和圈数统计曲线B2进行对比，获取两根统计曲线重合部分对应的转速范围y；

判断转速范围x和转速范围y是否存在重合区域，如果存在，将该重复区域作为预选转速阈值的选择区域；否则，根据实际需求选择转速范围x或转速范围y作为预选转速阈值的选择区域。

Images